首先了解算法复杂度
时间复杂度
时间复杂度与代码结构有着紧密的关系，对于输入数据量的代码运算次数就代表着时间复杂度
空间复杂度
空间复杂度则与数据结构的设计有关，复杂的数据结构会增加数据存储量，增加空间复杂度
然后开始解题
- 解题第一步 在不限制时间，空间的情况下，可以完成某个任务的代码的开发。这就是所谓的暴力解法，是程序优化的起点。
- 降低时间复杂度 降低时间复杂度，就是优化代码结构，也就是说优化你解题的思维。常用的降低时间复杂度方法有递归，二分法（查找响应元素的方法，二分法是线性表查找算法之一，还有字典结构查找），排序算法，动态规划等。
当你第一时间去寻找如何优化代码结构的时候，需要找到的代码里最耗时的数据操作，并思考有啥能替代的。在处理数据的时候，对于数据结构中的数据只有增删查，这三种操作。 在找出数据处理步骤中，时间复杂度最高的数据操作后，才能根据数据结构的知识，找到最合适的数据结构。 3. 用空间换时间 第三步，就是使用空间来换时间，连接时间和空间的桥梁就是数据结构，对于一个任务，如果能找到一种高效的数据组织方式，采用合理的数据结构，就能降低时间复杂度，但通常会增加数据存储量，增加空间复杂度。
接下来实战一下吧
找到一个数组中出现次数最多的元素
确认数据处理步骤
首先第一步，要根据输入数据统计每个元素出现的次数；然后第二步，根据第一步得到的结果，找到次数最多的元素。
具体数据操作
第一步中，外层需要遍历输入数组。然后内层中首先需要先遍历选择的数据结构，查找遍历的输入数组的元素是否在数据结构中出现过；然后，如果没有出现过，那么就加入这个元素，并且出现次数设为1；如果出现过，就将出现次数加1。
第二步，每个元素的出现次数统计完毕，需要对比这个数据结构中，每个元素的出现次数，找到最大的。
优化思路
优化代码结构可以吗？根据前面设计的操作，可用的优化貌似有二分查找，也可以在第二步中使用排序算法，然后得到最大出现次数。如果有对应解决问题的算法，那么也可以推翻之前的数据处理步骤，达到优化的目的。
但是用合适的代码结构能有更大的优化，用字典结构来存储元素以及对应的出现次数，能够在查找元素是否出现以及对应的次数上有着O(1)的时间复杂度。
总结一下
最后呢，总结一下如何解决一个算法问题。首先想着如何解决问题，有了问题的解法之后，想想有没有什么好的解题思维能用上（在解决问题前，也有可能直接想到这一思维，典型问题对应最优算法，可跳过暴力解法这一步），最后想想解法中用了哪些数据操作，这些数据操作能不能用更高效的空间结构去解决，大家也去试试吧。
